Kalman filter
PulseAugur coverage of Kalman filter — every cluster mentioning Kalman filter across labs, papers, and developer communities, ranked by signal.
- instance of extended Kalman filter 90%
- instance of Unscented Kalman Filter 90%
- used by alphaXiv 70%
- used by ScienceCast 70%
- used by CatalyzeX 70%
- used by DagsHub 70%
- used by lidar 70%
- used by Gotit.pub 70%
- other Unscented Kalman Filter 70%
- used by extended Kalman filter 60%
- developed by extended Kalman filter 60%
- competes with extended Kalman filter 50%
4 天有情绪数据
-
新框架融合路侧雷达和网联车辆数据以改进定位
研究人员开发了一种新的车辆定位框架，该框架融合了来自路侧雷达和网联车辆的数据。这项在芬兰赫尔辛基一个城市交叉口进行的研究评估了两种基于扩展卡尔曼滤波的策略。虽然融合性能主要受激光雷达可用性的驱动，但雷达提供了一些优势，特别是在激光雷达数据质量下降或以较低速率共享时。研究结果表明，决策级融合提供了依赖于场景的优势，而不是比单一传感器基线带来持续的改进。
-
面向6G开放RAN的新型MIMO波束映射框架
研究人员为面向未来6G网络智能开放RAN开发了一种新颖的自定位MIMO波束映射框架。该系统使用稀疏信道状态信息（CSI）构建分层无线记忆，无需显式位置标签。该框架利用波束域接收信号强度（RSS）进行高效的空间签名估计，并结合双尺度提取器和混合时间编码器来捕捉复杂的信道动态。实验表明，与现有方法相比，物理锚点恢复和信道容量有了显著提高。
-
新的贝叶斯框架通过去除EOV改进结构健康监测
研究人员开发了一种新颖的贝叶斯框架用于结构健康监测（SHM），该框架可同时识别和去除环境与运行变异性（EOV）。该方法将潜在EOV建模为高斯过程，通过卡尔曼滤波器和拉普拉斯近似实现高效推理。该方法在实验室结构和模拟海上风电场上进行了验证，与现有技术相比，证明了改进的损伤检测和EOV恢复能力。
-
新的卡尔曼滤波方法提高了LLM RL微调的效率
研究人员开发了一种新颖的卡尔曼引导提示选择（KGPS）方法，以提高大型语言模型（LLM）的强化学习（RL）微调的效率和有效性。KGPS将提示难度建模为一个动态状态估计问题，使用卡尔曼滤波器来维护一个校准后的提示难度后验分布，该分布会随着训练过程中的策略漂移而调整。这种方法避免了额外的rollout需求，并已展示出最先进的性能，显著减少了rollout需求，同时提高了在各种推理基准上的准确性。
-
新的TRSOC方法通过KL散度增强最优控制
研究人员开发了一种名为轨迹正则化随机最优控制（TRSOC）的新方法，该方法通过引入Kullback--Leibler散度来增强标准的随机最优控制。该散度衡量受控轨迹分布与参考轨迹分布之间的差异，有效地作为漂移失配的惩罚。该方法保持了动态规划结构，并导致修改后的运行成本。实验表明，在性能和对参考动力学（包括从离线数据中学到的动力学）的遵循之间存在可调的权衡。
-
新的边缘感知跟踪管线用于无人机，采用自适应卡尔曼滤波器
研究人员开发了一种新的边缘感知跟踪管线，用于使用热红外成像的无人机（UAV）。该管线以自适应运动学卡尔曼滤波器（AKKF）为中心，在保持实时性能的同时提高了标准卡尔曼滤波器的效率。该系统旨在通过引入瞬态误报抑制和运动学驱动的预测滑行，来改善在频繁遮挡和快速机动等挑战性条件下的轨迹连续性。在Beyond Strong Baseline基准上的实验评估了用于实际部署的跟踪准确性和计算效率。
-
GNet：具有非参数神经元的可扩展高斯过程网络发布
研究人员开发了GNet，这是一种新颖的高斯过程网络，旨在实现可扩展性和灵活性，它利用由高斯过程建模的非参数激活函数。为了解决计算和存储需求，他们引入了联合逆卡尔曼滤波器，这是一种通过避免协方差矩阵形成来加速训练和预测的算法。GNet在各种任务中表现出竞争力，包括非线性函数预测和真实世界数据回归，表明其在降低成本的大规模预测建模方面具有潜力。
-
激光雷达与鱼眼相机融合模型增强建筑机器人物体跟踪
研究人员为建筑环境开发了一种新颖的传感器融合模型，结合了激光雷达和鱼眼相机数据，用于动态物体检测和跟踪。该框架通过整合精确的激光雷达测量与RGB图像的语义信息，增强了四足机器人。该系统将3D坐标投影到2D全景图上以分配语义标签，并使用实时图像检测更新卡尔曼滤波器。它展示了高精度和鲁棒性，尤其是在处理在静态和动态状态之间转换的物体方面。
-
新型卡尔曼滤波器提升三维多目标跟踪精度
研究人员开发了一种新的运动动力学卡尔曼滤波器（MD-KF），旨在提高三维多目标跟踪（MOT）的精度，应用于自动驾驶汽车等场景。与假设匀速运动的传统卡尔曼滤波器不同，MD-KF将物体运动的变化建模为高斯分布，自适应地权衡其运动模型。这种方法在遮挡期间增强了轨迹估计，并提高了静止物体的稳定性，同时降低了计算延迟，优于现有方法。
-
车牌字体可实现低成本车辆测距
研究人员利用车牌的标准化字体，开发了使用单目摄像头估算车辆距离的新方法。这些方法无需昂贵的激光雷达或雷达等传感器，也避免了深度学习模型所需的数据密集型训练。通过分析字符高度、间距和其他车牌特征，系统可以准确确定距离、速度和碰撞时间，为高级驾驶辅助系统（ADAS）提供了一种经济高效的解决方案。
-
新校准方法在无GNSS情况下提升AUV导航精度
研究人员开发了一种信息辅助校准（IAC）方法，以提高自主水下航行器（AUV）多普勒计程仪（DVL）测量的准确性。这种新方法在有GNSS信号的环境中增强了传统的基于卡尔曼滤波器的校准，实现了高达20%的改进。至关重要的是，IAC还实现了无GNSS的DVL自校准，这对于在信号受限区域的操作至关重要，速度矢量估计的改进高达35%。
-
新的 LMKF SLAM 方法提高了机器人定位和建图的准确性
研究人员开发了一种名为 LMKF SLAM 的新方法，以提高移动机器人同步定位与建图 (SLAM) 的准确性和稳定性。该方法将非线性状态空间模型转换为线性模型，从而可以应用原始卡尔曼滤波器。据报道，LMKF SLAM 方法在准确性、收敛性和计算复杂度方面优于现有技术，特别是基于 EKF 的 SLAM，同时在应对传感器不确定性和系统参数变化方面也表现出更强的鲁棒性。
-
无味卡尔曼滤波器增强非线性系统状态估计
无味卡尔曼滤波器是一种用于非线性系统状态估计的方法。它改进了扩展卡尔曼滤波器，在某些应用中提供了更好的准确性和鲁棒性。
-
双层自回归模型学习卡尔曼滤波
研究人员证明，当在部分观测到的线性动力系统的训练数据上进行训练时，双层线性自回归模型可以学会近似卡尔曼滤波。该研究表明，即使模型没有明确了解底层动力学，其学习到的隐藏表示也与最优卡尔曼滤波器产生的状态估计一致。这一发现得到了关于自回归模型卡尔曼滤波近似的理论见解、双层模型的良性优化景观以及预测和状态恢复误差的有限样本保证的支持。
-
新型卡尔曼滤波器从数据中学习动力学和分类
研究人员开发了一种新的自监督混合自适应卡尔曼滤波器，该滤波器仅通过测量即可学习校正系统动力学和过程噪声。这种方法旨在提高估计精度和不确定性量化，而这在传统卡尔曼滤波器中通常对模型不匹配很敏感。然后，滤波器的创新似然度可用于模型分类，在低数据和大数据场景中均表现出稳健的性能。
-
手势识别优化室内太赫兹集成传感与通信系统
研究人员开发了一种用于室内太赫兹（THz）环境的新型集成传感与通信（ISAC）系统。该系统利用扩展卡尔曼滤波器（EKF）驱动的手势识别功能，动态调整资源分配。通过跟踪用户手势，系统可以优化功率分配和波束成形，以提高传感精度并满足通信服务质量要求。
-
LLM发现改进的卡尔曼滤波器算法以进行状态估计
研究人员开发了一个名为Kalman Evolve的新框架，该框架使用大型语言模型（LLM）来发现改进的滤波算法。该方法优化了卡尔曼滤波器的噪声参数和更新结构，解决了非线性传感场景中的局限性。所发现的算法在各种基准测试（包括多普勒雷达和LiDAR跟踪）上显示出显著的改进，将均方根误差（RMSE）降低了多达12%。
-
基于AI的Q-Net使用卡尔曼滤波器估计交通队列长度
研究人员开发了Q-Net，一个用于估计信号交叉口交通队列长度的新颖框架。这个AI增强的卡尔曼滤波器集成了来自环形检测器和浮动车数据的信息，解决了数据分辨率差异和交通守恒违反等挑战。在鹿特丹进行的评估表明，Q-Net与基线方法相比表现更优，能够在无需昂贵的传感基础设施的情况下准确跟踪队列动态。
-
得分卡尔曼滤波器绕过配分函数实现非线性贝叶斯滤波
研究人员开发了得分卡尔曼滤波器（SKF），这是一种新颖的非线性贝叶斯滤波方法，它绕过了计算成本高昂的配分函数。通过将得分匹配与斯坦因恒等式相结合，SKF将密度拟合简化为线性求解，并有效地闭合了矩层级。该方法允许在高维空间中进行滤波，已在高达n=20的维度上得到验证，并在合成基准测试中实现了比现有基线更低的均方根误差（RMSE）。
-
新的卡尔曼滤波框架在细胞复形上对复杂时间序列数据进行建模
研究人员开发了一种新的拓扑感知状态空间框架，用于从复杂的时间序列数据中推断潜在动力学。该方法利用细胞复形上的随机偏微分方程来模拟状态演化和观测，即使在部分可观测和结构未知的情况下也是如此。该方法采用扩展卡尔曼滤波器进行递归状态估计，并采用期望最大化算法进行参数学习，同时使用启发式算法来推断缺失的拓扑结构。